基于成像聲納的水下管線跟蹤方法

葛利亞，曾俊寶

（1.中國科學院沈陽自動化研究所 機器人學國家重點實驗室，沈陽 110016；2.中國科學院大學，北京 100049）

0 引言

海洋不僅蘊藏著豐富的礦產(chǎn)資源，也是交通運輸?shù)闹匾ǖ溃鲊＝ㄔ煲恍┧鹿芫€來滿足通信與能源傳輸?shù)囊螅ㄝ斢凸艿馈⒐怆娎|等。據(jù)大量相關資料顯示，我國自在海洋開采石油、天然氣以來，已經(jīng)鋪設了幾千公里長的輸油、輸氣管道。水下管線長期在海底受海水腐蝕、材料質(zhì)量和地殼變動等的影響，世界上已發(fā)生多起管道破損、石油外泄和電纜中斷等事故，造成了嚴重的環(huán)境污染和巨大的經(jīng)濟損失。因此，從經(jīng)濟和環(huán)保方面來說，對水下管線進行檢查具有重要意義。

目前來看，對水下管線進行管外檢查的手段主要包括潛水員、遙控水下機器人（Remotely Operated Vehicle, ROV）和自主水下機器人（Autonomous Underwater Vehicle, AUV）三種方式。其中，依靠潛水員檢查只能針對淺水區(qū)域；深水區(qū)域可利用ROV進行檢查，但是ROV需要母船的支持，且受到臍帶電纜的限制，作業(yè)范圍有限；而AUV具有無人無纜、自帶能源、對母船依賴性小等特點，因此AUV被認為是在深水區(qū)進行管線檢查的最佳設備。

文獻[1]通過在實驗室條件下進行試驗性研究，解決了在人工半自動引導下，AUV利用磁探測器對懸吊于水下的長直管道進行自動跟蹤的問題。文獻[2]提出了基于磁探測器和視頻圖像融合的金屬線纜跟蹤系統(tǒng)，并利用AUV MT-98進行了海上試驗。文獻[3]研究了基于單目視覺的水下管線檢測和跟蹤等相關技術，并在水池進行了試驗。文獻[4]提出了基于側掃聲納的AUV水下管線實時跟蹤系統(tǒng)。文獻[1]沒有實現(xiàn)完全自主性，文獻[2]和文獻[3]中用到的光學成像在實際海水比較渾濁的情況下效果不佳，文獻[4]中所用的側掃聲納在AUV正下方存在盲區(qū)，不利于AUV攜帶相應的傳感器對水下管線進行檢查。

磁探測器在弱磁環(huán)境中容易受地磁和環(huán)境的影響，導致參數(shù)校正與調(diào)整比較困難；視覺跟蹤只適用于近距離和非掩埋情況，且光學成像易受光線和水質(zhì)渾濁度的影響；聲學成像系統(tǒng)可克服上述問題，不過聲納圖像具有噪聲大、分辨率低的缺點，本文針對該問題提出有效的圖像處理方法，以及研究合適的水下管線搜索和跟蹤控制策略。

1 聲納圖像處理

1.1 成像聲納工作原理

成像聲納是一種主動聲納，它利用發(fā)射陣發(fā)射聲脈沖到水中，遇到目標會產(chǎn)生反射，反射的回波作為檢測與估計的基礎，能夠對目標進行定位與識別。通常，在AUV艏部搭載成像聲納構成AUV的聲視覺系統(tǒng)，通過聲納的連續(xù)掃描探測，實時監(jiān)測AUV前方大范圍水域的目標信息，經(jīng)過進一步處理，定位可疑目標并引導機器人接近該目標，圖1為BlueView公司生產(chǎn)的前視成像聲納及其聲納圖像。對于本文的應用，可將成像聲納安裝在AUV的艏部斜下方，對前方的海底進行探測，以實現(xiàn)對水下管線的跟蹤。

圖1 BlueView公司的前視聲納及其聲納圖像

1.2 圖像預處理

圖像預處理要突出聲納圖像中目標的輪廓區(qū)域、衰減各類噪聲，提高AUV對目標的可識別性。由于在水下聲圖中存在大量噪聲，使用普通的濾波算法能降低噪聲，但是也對目標部分邊緣造成影響，而數(shù)學形態(tài)學基于集合運算，具有非線性的特征，可以克服線性濾波所帶來的目標邊緣模糊等問題。

在形態(tài)學中，所采用尺度大小不同的結構元素對處理結果會產(chǎn)生較大影響，大尺度的結構元素去噪能力強，同時會對目標的輪廓細節(jié)產(chǎn)生影響；小尺度的結構元素去噪能力較弱，但能保證目標的輪廓細節(jié)不受影響。因此為了對聲納圖像去噪濾波，本文采用多尺度膨脹算法[5]。

f(x,y)為輸入的灰度圖像函數(shù)，b(x,y)為結構元素，灰度膨脹運算可定義為f⊕b：

定義{bi} (i= 1 ,2,…n)為一個多尺度結構元素序列，在實驗中取菱形元素結構，對于尺度大小不同的結構元素bi，分別對灰度圖像f(x,y)進行膨脹運算，得到一組膨脹圖像(f⊕bi) (x,y)，對得到的膨脹結果加權求和，最終得到的降噪結果如下：

式中，ai為尺度i對應的加權系數(shù)。形態(tài)學濾波處理結果如下：

圖2 水下聲圖預處理結果

1.3 邊緣檢測

Canny邊緣檢測算法是John F.Canny在1986年研究出來的一種多級邊緣檢測算法，被很多人認為是最優(yōu)的邊緣檢測算法[6]。

Canny算法的實現(xiàn)步驟如下：

l）對濾波后的灰度圖進行高斯平滑濾波，將圖像中的噪聲去除；

2）采用一階偏導的有限差分形式(3)來計算梯度的幅值和方向n：

其中

3）抑制梯度幅值的非極大值；

4）采用雙閾值法減少假邊緣數(shù)量，并對目標邊緣進行檢測和連接。

根據(jù)上述步驟得到目標的邊緣信息，并對對該邊緣圖像進行區(qū)域限定，消除水下聲圖中邊界邊緣的影響，邊緣檢測和區(qū)域限定的處理結果如圖3所示。

圖3 水下聲圖邊緣提取結果

1.4 管線提取

Hough變換是一種利用圖像全局特征將特定形狀邊緣連接起來的經(jīng)典算法。它通過點-線的對偶性，將原圖像中的點影射到參數(shù)空間，將原圖像中特定曲線的檢測問題轉化為尋找參數(shù)空間中的峰值問題。由于利用原圖像的全局特性，所以受噪聲和曲線間斷影響較小，具有比較好的魯棒性。

設直線方程為：

參數(shù)空間中方程可表示為：

式(5)中，ρ表示原點到直線的垂直距離，θ是垂線與x軸的夾角。當原圖像中的點(x,y)確定時，對應于參數(shù)空間中的一條直線，原圖像中不同的點(x,y)對應于參數(shù)空間中不同的直線。當圖像中的若干點(x,y)在同一條直線上時，它們的斜率和截距是相同的，所以它們在參數(shù)空間坐標系中對應于同一點。根據(jù)這個原理，將圖像中的各個點投影到參數(shù)空間中，看參數(shù)坐標系下有沒有聚集點，該聚集點就對應于原圖像中的一條直線。

標準Hough算法是將圖像中得到的邊緣點的坐標(x,y)代入式(6)求得(ρ,θ)的值，然后統(tǒng)計(ρ,θ)取何值時經(jīng)過該點的曲線數(shù)目較多，即將該點對應的參數(shù)(ρ,θ)取出。通過上述過程的計算能夠得到線段的端點(x0,y0,x1,y1) 及參數(shù)(ρ,θ)。

管線提取需要兩個步驟：

1）線段連接

根據(jù)Hough變換得到的直線段，若在一條直線上，則將其連接為一條線段。

2）灰度閾值限定

若線段長度滿足：

L根據(jù)圖像大小確定，則計算這條線段兩側相鄰兩個像素的灰度值總和gray_valuel和gray_valuer，若：

式中，min_ratio和max_ratio分別為最小和最大灰度比，若滿足上式，則表示找到了管線。

圖4 水下管線提取結果

2 水下管線的搜索

水下管線搜索的目的是對目標海域進行搜索，記錄管線位置，為下一步精確跟蹤做好準備。常用的搜索方式有三種，分別為：隨機方式、螺旋方式和往復方式。

1）隨機方式

隨機方式是指在一個目標區(qū)域內(nèi)為水下機器人規(guī)劃出一條從起點出發(fā)，沿某個方向以某種方式行走（如直線或圓弧）得到的一系列路徑。

優(yōu)點：控制起來比較簡單，軟件編程實現(xiàn)也比較簡單，且實現(xiàn)起來相對容易；缺點：運行軌跡重復性比較大，且不能保證對整片目標區(qū)域進行全區(qū)域覆蓋。

2）螺旋方式

螺旋方式是指水下機器人先沿著目標區(qū)域邊界內(nèi)側行走一圈，然后逐次向區(qū)域中心行走，直至覆蓋整片目標區(qū)域。螺旋方式分為內(nèi)螺旋和外螺旋兩種方式。

優(yōu)點：能覆蓋整個目標區(qū)域；缺點：在有限的條件下實現(xiàn)該方式比較困難，主要體現(xiàn)在如何控制水下機器人向中心行走，即何時在何位置轉向。

3）往復方式

往復方式是指水下機器人先沿著目標區(qū)域的某一邊內(nèi)側行走，遇到邊界后旋轉180°，然后繼續(xù)行走，如此反復，直至覆蓋整片目標區(qū)域。根據(jù)有關研究得出[7]，對于目標區(qū)域是矩形的情況，沿長邊的往復方式較沿短邊的往復方式轉彎次數(shù)少，因此前者效果更優(yōu)。

優(yōu)點：能覆蓋整個目標區(qū)域，且控制起來相對方便，是水下機器人搜索時常用的一種方式。

圖5 搜索方式

對于已知水下管線大體走向的情況，由于管線是連續(xù)的，我們可以采用橫跨管線走向的隨機方式對目標區(qū)域進行搜索，這樣既能節(jié)省能源和時間，又能發(fā)現(xiàn)目標。對于水下管線大體走向和方位都未知的情況，由于隨機方式會有部分區(qū)域遺漏，因此我們要采用可以覆蓋全區(qū)域的搜索方式，由上文可知，有螺旋方式和往復方式兩種，由于螺旋方式在如何控制水下機器人向中心行走，即在何時及哪個位置轉向存在困難，所以我們采用往復式的搜索方式。由于沿長邊方向的往復方式優(yōu)于沿寬邊方向的往復方式，所以我們可以選擇沿長邊方向的往復方式對水下管線進行搜索。

AUV在水下管線的搜索階段分為以下三個步驟：

1）在目標區(qū)域內(nèi)執(zhí)行搜索路徑；

2）判斷AUV是否遍歷整片目標海域，如果是，根據(jù)記錄的管線位置點開始跟蹤；如果否，執(zhí)行下一步；

3）若找到管線，則記錄管線位置，然后繼續(xù)搜索。

圖6 搜索階段流程圖

在搜索階段，由于側掃聲納的掃描范圍比較廣，因此可以采用它作為搜索時所用傳感器，關于側掃聲納的圖像處理及管線識別不作為本文的研究內(nèi)容。

3 水下管線的跟蹤

水下機器人在進行管線跟蹤過程中需要根據(jù)前面記錄的管線信息及當前圖像處理的管線信息判斷水下管線的狀態(tài)，并根據(jù)水下機器人當前的狀態(tài)信息，不斷調(diào)整水下機器人的速度和航向角，使之能夠跟蹤水下管線。管線跟蹤可以分為以下四個子任務：1）搜索并找到管線；2）找到管線之后，接近管線；3）利用相關傳感器跟隨管線；4）當跟隨管線時將其丟失，則進行小范圍搜索。在所有的過程中，需要對檢查區(qū)域進行范圍限制，超過則結束任務。

3.1 找到管線

根據(jù)搜索階段記錄的管線位置點，利用點到點的控制策略，當前點(X(t),Y(t))是AUV的位置，目標點是搜索階段記錄的最后一個管線位置點(Xpn,Ypn)。

期望艏向角：

圖7 找到管線子任務示意圖

3.2 接近管線

該任務的目的是調(diào)整AUV的艏向角及相對管線的距離，為下一步跟隨管線做好準備。假設AUV距管線的垂向距離在DIS以內(nèi)及航向與管線走向夾角小于Δθ時，即可進行下一個跟蹤任務。

AUV與管線的夾角為θ，可由聲圖處理得到，AUV的實際艏向角為ψ(t)，則管線的走向為：

若將管線的走向直接作為AUV的期望艏向角，由于AUV的旋轉半徑比較大，調(diào)節(jié)時間較長，因此提出了如下算法：

式中，distance為AUV距管線的垂直距離；DIS為跟蹤時AUV距管線的最大垂直距離；maxDIS根據(jù)旋轉半徑確定； ψprevious為發(fā)現(xiàn)管線或通過管線時的艏向角；ψ (t)com為期望艏向角。

圖8 接近管線子任務示意圖

3.3 跟隨管線

當滿足條件：

開始跟隨任務。

保持航向，航向角控制器的輸入為管線的走向，期望艏向角為：

圖9 跟隨管線子任務示意圖

3.4 管線丟失

管線丟失后先低速前進，判斷是否超時，如果沒超時，則判斷是否發(fā)現(xiàn)管線，若沒發(fā)現(xiàn)，則繼續(xù)低速前行，若發(fā)現(xiàn)，則接近管線；如果超時，則在小范圍內(nèi)搜索，判斷是否超時，如果沒超時，則判斷是否發(fā)現(xiàn)管線，如果沒發(fā)現(xiàn)，則繼續(xù)搜索，否則接近管線；如果搜索超時，則判斷記錄中是否還存在管線位置點，若存在，則執(zhí)行找到管線子任務，否則跟蹤任務完成。

4 水下管線跟蹤的三維仿真

三維仿真環(huán)境用VS2010調(diào)用OpenGL庫編寫，其中圖像處理用到了OpenCV庫。

圖10 管線丟失子任務流程圖

三維仿真環(huán)境如圖11所示。

圖11 水下管線跟蹤三維仿真環(huán)境

在仿真過程中記錄AUV的運行數(shù)據(jù)，并在MATLAB上進行處理得到以下結果。

圖12 AUV在X-Y平面的運動軌跡

圖13 AUV的航行速度

圖14 AUV的航向角

由圖12可以看出，在接近管線時AUV的航向角變化比較大，由于AUV有一定的前向速度，所以AUV的位置和管線位置有一定的偏差；圖13表明，搜索時的設定速度比跟蹤時大；圖14為在搜索和跟蹤過程中AUV的航向角變化情況。總體來說，AUV能夠很好得跟蹤水下管線，且偏差在一定的范圍內(nèi)。

5 結論

本文針對水下管線跟蹤開展了基于成像聲納的自主式跟蹤等相關研究，提出了適用于成像聲納圖像的管線提取方法，以及先進行全區(qū)域覆蓋性搜索確定管線的粗略位置，再根據(jù)記錄的管線位置點進行跟蹤的方法，并對搜索和跟蹤算法進行了三維仿真驗證。對于提出的圖像處理算法進行了驗證，在已有的圖像樣本中管線識別率達到90%以上，說明算法有效。將管線跟蹤任務分成四個子任務，在不同的子任務中進行不同的控制策略，由仿真結果可以看出，算法具有有效性。

[1]燕奎臣,劉愛民,牛德林.AUV自動跟蹤水下管道的試驗研究[J].機器人,2000.

[2]Inzartsev A, Pavin A.AUV Application for Inspection of Underwater Communications[J].Alexander V.Inzartsev.Vienna:In-Tech Publishers,2009:215-234.

[3]唐旭東,龐永杰,張赫,等.基于單目視覺的水下機器人管道檢測[J].機器人,2010,32(5):592-600.

[4] Bagnitsky A,Inzartsev A, Pavin A, et al. Side scan sonar using for underwater cables & pipelines tracking by means of AUV[C]//Underwater Technology (UT),2011 IEEE Symposium on and 2011 Workshop on Scientific Use of Submarine Cables and Related Technologies (SSC).IEEE,2011:1-10.

[5] 王斯朕,蔣立軍.數(shù)學形態(tài)學運算在聲納圖像邊緣檢測處理中的應用[J].微計算機應用,2009,30(10):6-12.

[6] Canny J.A computational approach to edge detection[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1986 (6):679-698.

[7] 周學益.清潔機器人全區(qū)域覆蓋路徑算法與避障控制研究[D]. 重慶:重慶大學,2007:22-26.

[8] 張鐵棟,萬磊,曾文靜,等.智能水下機器人聲視覺跟蹤系統(tǒng)研究[J].高技術通訊,2012,22(5):502-509.

[9] Petillot Y R, Reed S R, Bell J M. Real time AUV pipeline detection and tracking using side scan sonar and multi-beam echosounder[C].OCEANS'02 MTS/IEEE. IEEE, 2002,1:217-222.

[10] Jacobi M, Karimanzira D.Underwater pipeline and cable inspection using autonomous underwater vehicles[C]//OCEANSBergen, 2013 MTS/IEEE. IEEE, 2013:1-6.

[11] Chen J, Gong Z, Li H, et al.A detection method based on sonar image for underwater pipeline tracker[C],2011 Second International Conference on.IEEE,2011:3766-3769.